一种应用在金融领域的信息隐写方法和系统

1.本发明涉及互联网技术领域，具体涉及一种应用在金融领域的信息隐写方法和系统。


背景技术：

2.近年来，随着大数据、云计算、人工智能等新兴技术与金融行业的融合，孕育了全新的金融服务产品和模式。这些新产品、新模式一方面大量挖掘和收集用户数据和信息，为用户提供精准化、个性化、便捷化的服务。与此同时，用户的隐私数据在传输使用中也可能被非法获取，导致信息泄露事件频发。因此，如何平衡数据使用和隐私数据传输成为一道亟需解决的课题。
3.传统的信息隐藏方法主要依赖于人工分析、需要复杂的先验知识，其主要思想是将秘密信息嵌入到载体之中，这不可避免的造成载体的失真，同时也容易被隐写分析工具所检测，造成秘密信息被窃取。因此，现有的方法由于上述缺陷，限制了其进一步的应用。
4.无载体隐写是一种前沿的隐秘通信技术，它主要通过建立数字载体与秘密信息的关联实现隐写。它不需要将信息嵌入到图像中，即不修改载体，而是直接将载体特征映射到秘密信息，从而保证数字载体的原始性，在避免被攻击者怀疑的同时有效保护了秘密信息的安全。然而，目前基于映射的的无载体隐写算法或抗攻击鲁棒性有限，或隐写效率无法满足应用实时性需求。
5.mobilenetv是谷歌团队2017年提出的，专注于移动端或者嵌入式设备中的轻量级cnn网络，在准确率只有极小幅降低的情况下，大量减少参数与运算量,因此，该技术被广泛应用于图像识别领域，提高对图像特征的识别有效性，mobilenetv2网络是mobilenetv1网络改进版本，目前尚未有mobilenetv2网络应用于无载体隐写，且针对金融领域的应用特点，提高信息隐写的实时性能以及图像特征在应用中的抗旋转性或是在抗几何攻击的鲁棒性能是本技术的研究重点。


技术实现要素：

6.为了克服现有技术的不足，本发明的提出一种应用在金融领域的信息隐写方法，有效提升骨干网络特征提取效率，有效维稳载体特征和秘密信息的关联，提升隐写方案的鲁棒性。
7.本发明为实现上述目的，所采用的技术方案是：一种应用在金融领域的信息隐写方法，包括以下步骤：
8.步骤1，根据发送方的传输环境，构建秘密信息隐藏所需的图像数据库，用于特征提取网络的训练以及含密载体的选择；
9.步骤2，发送方使用训练好的图像数据库训练基于mobilentv2和danet的特征提取器，并结合特征序列生成算法构成载体到特征序列的映射方案；
10.步骤3，发送方将所需秘密信息进行二值化编码，并按照发送方需求进行二值化秘
密信息的切分；
11.步骤4，将数据库中所有图像按照映射方案转化为同长度的二值化特征序列，并构建倒排索引结构；
12.步骤5，分段后的二值化秘密信息分别在倒排索引结构中搜索对应的载体，直至找到秘密信息所对应的含密载体；
13.步骤6，发送方持有含密载体，并将其按照顺序发送给持有接收方；接收方采用相同的映射方案对含密载体进行解密，得到提取的二值化秘密信息，并逆向解码恢复秘密信息。
14.一种应用在金融领域的信息隐写系统，包括：
15.mobilentv2特征提取网络的训练模块，金融公司通过各种方式收集并构建特征提取网络所需要的隐写图像训练数据，通过训练基于mobilentv2和danet注意力机制的分类网络，最终获取训练完成的特征提取网络；
16.mobilentv2特征提取模块，将图像载体输入至mobilentv2的骨干网络提取初步语义特征图，将初步语义特征图输入至danet注意力模块对特征进行增强，提取最终的mobilentv2增强特征；
17.特征序列的映射模块，在基于映射规则的隐写策略中，特征序列的映射方法至关重要，它决定了隐写方案抵御攻击的能力，通常来说是将一个图像输入至mobilentv2特征提取模块，提取mobilentv2特征，再利用设计的特征序列生成方法将特征转化抗鲁棒的特征序列，即可能匹配的秘密信息；
18.倒排索引的构建模块，在无载体隐写领域，秘密信息搜索匹配载体的过程是耗时的，为了提高秘密信息的匹配速度，需设计一种可以加速匹配的倒排索引结构。
19.秘密信息的隐写模块，秘密信息的无载体隐写本质是将载体与秘密信息进行匹配的过程，发送方先将需要传输的秘密信息按照需求进行分段，然后通过索引结构来匹配对应的载体，并获取对应的含密载体，最后将含密载体发送给接收方。
20.秘密信息的提取模块，接收方按顺序接收所有含密载体后，并使用相同的特征序列生成方法计算特征序列，即可成功恢复秘密信息，该过程即秘密信息隐写的可逆过程。
21.本发明的有益效果是：通过本发明应用在金融领域的信息隐写方法和系统，提取mobilenetv2特征作为无载体映射基准，一方面可以利用cnn特征抗旋转的特性，提升其在抗几何攻击的鲁棒性能。另一方面，相比于主流的cnn网络如densenet、resnet，mobilenetv2可以有效提升特征序列的生成效率，提高隐写实时性能，便于应用。此外，结合danet注意力机制，抽取精细高维语义的cnn特征作为映射基准，弥补了mobilenetv2在效率和精度平衡下损失的特征表征能力，可以有效维稳载体特征和秘密信息的关联，提升隐写方案的鲁棒性，为进一步在金融领域的实际业务应用提供坚实的理论保障。
附图说明
22.图1为本发明方法的流程图。
23.图2为本发明方法应用的流程图。
24.图3为本发明实例提供的特征提取网络结构图。
具体实施方式
25.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
26.在一个实施例中，如图1所示，本发明的一种应用在金融领域的信息隐写方法，包括如下步骤：
27.(1)根据发送方的传输环境，构建秘密信息隐藏所需的图像数据库，用于特征提取网络的训练以及含密载体的选择；
28.(2)发送方使用训练好的图像数据库训练基于mobilentv2和danet的特征提取器，并结合特征序列生成算法构成载体到特征序列的映射方案；
29.(3)发送方将所需秘密信息进行二值化编码，并按照发送方需求进行二值化秘密信息的切分；
30.(4)同样的，将数据库中所有图像按照映射方案转化为同长度的二值化特征序列，并构建倒排索引结构；
31.(5)分段后的二值化秘密信息分别在倒排索引结构中搜索对应的载体，直至找到秘密信息所对应的含密载体；
32.(6)发送方持有含密载体，并将其按照顺序发送给持有接收方；接收方采用相同的映射方案对含密载体进行解密，得到提取的二值化秘密信息，并逆向解码恢复秘密信息。
33.在一个实施例中，将上述方法应用在具体场景中如金融行业从业人员与客户之间进行某个产品的在线传输，产品的信息泄露将严重导致客户的经济和财产损失，如图2所示，通过本发明方法产品的信息通过无载体隐写在某些载体图像中，而不需要对图片进行任何修改，仅使产品的信息和载体图像形成映射关系，将该载体图像通过公开系统发送，即使图像被不法分子截获，由于图片在视觉感官上无任何差异，因此容易被不法分子忽略，从而有效实现产品信息的安全性，最终，客户根据金融公司提供的无载体隐私系统，进行有效提取载体图像上对应的产品信息，完成接收产品的通信过程。通过无载体的方式对传输的隐私信息进行隐写，既提高了算法的隐藏效率和鲁棒性能，又减少信息泄密的可能，提高信息传输的安全性。
34.上述应用例中的基于mobilenetv2无载体隐写方法具体包括以下步骤：
35.步骤1，训练基于mobilentv2的特征提取网络，特征提取网络结构如图3所示，具体包括：
36.(1.1)收集并制作载体图像数据集，将载体按照网络输入大小进行规范化预处理；将载体数据分割为训练集和测试集以供模型训练；
37.(1.2)构建基于mobilentv2和danet的cnn模型；
38.(1.3)设置训练所需参数，利用训练集训练基于mobilentv2和danet的cnn模型，直至模型收敛；
39.(1.4)利用测试集测试所训练模型，并按照评价指标保存最优模型用于特征提取网络的实际部署；
40.步骤2，通过mobilentv2特征提取模块对特征增强及提取，具体包括：
41.(2.1)将图像载体输入至训练好的特征提取网络，特征提取模块一第一个计算组包括一个步长为2的1
×
1的卷积层，该计算组接受224
×
224
×
3的图像输入，输出112
×
112
×
32的特征输出；第二个计算组包括一个步长为1的bottleneck残差模块，具体结构包括一个1
×
1的卷积层、一个batch normalization归一化层和一个relu6激活函数层，接一个3
×
3的深度可分离卷积层、一个batch normalization归一化层和一个relu6激活函数层，接一个1
×
1的卷积层和一个batch normalization归一化层，该计算组接受112
×
112
×
32的图像输入和112
×
112
×
16的特征输出；第三至八个计算组的机构和第二个计算组类似，其步长分别为1、2、2、2、1、2、1，其分别接受112
×
112
×
16的图像输入和56
×
56
×
24的特征输出、56
×
56
×
24的图像输入和28
×
28
×
32的特征输出、28
×
28
×
32的图像输入和14
×
14
×
64的特征输出、14
×
14
×
64的图像输入和14
×
14
×
96的特征输出、14
×
14
×
96的图像输入和7
×7×
160的特征输出；第九个计算组包括一个步长为1的1
×
1的卷积层，该计算组接受7
×7×
160的图像输入和7
×7×
320的特征输出；第十个计算组包括一个的7
×
7的平均池化层，该计算组接受7
×7×
320的图像输入和7
×7×
1280的特征输出；第十一个计算组包括一个1
×
1的卷积层，该计算组接受7
×7×
320的图像输入和1
×1×
1280的特征输出。为了结合特征提取模块二，将第十个计算组的输出作为特征提取模块二的输入。
42.(2.2)特征提取模块二包括两个并行计算组和一个串行计算组，并行计算组一为位置注意力模块，它的三个并行计算路线分别记作b、c、d；其中，b包括一个1
×
1的卷积层和reshape层，reshape层的输出将作为c的中间输入；c包括一个1
×
1的卷积层和reshape层，reshape层的输出和b的输入相乘后，再接一个softma
×
层，c的最终输出将作为d的中间输入；d包括一个一个1
×
1的卷积层和reshape层，reshape层的输出和c的输出相乘后接一个reshape层，reshape层的输出将和原始输入图像相乘，输出最终结果；该并行计算组接受7
×7×
320的特征输入和7
×7×
320的特征输出。并行计算组二为通道注意力模块，它的结构和并行计算组一类似，仅仅是去除了b、c、d路线中的卷积层，其余结构一致；该并行计算组接受7
×7×
320的特征输入和7
×7×
320的特征输出。串行计算组为特征融合模块，包括一个相加操作和一个带有dropout的1
×
1卷积，该串行计算组接受7
×7×
320的特征输入和1
×1×
512的特征输出。
43.步骤3，通过特征序列的映射模块将增强特征的特征序列进行映射，具体包括：
44.(3.1)将载体图像输入至mobilentv2特征提取模块，提取具有512维的mobilentv2特征f。
45.(3.2)将mobilentv2特征f按照维度平均分成d段，得到d个特征分区，每个分区的特征维度为512/d。其中d-1为发送方设置的二值化特征序列长度，当且仅当最后一个分区无法整除时，取最终剩下的特征段作为最后一个特征分区。
46.(3.3)对于每一个特征分区，分别计算其特征系数，即计算每个特征分区内的特征系数的平均值，作为该分区的特征表示。
47.(3.4)对于计算得到的d个特征系数，依次前后比较系数大小。如果后者系数比前者系数大，则该特征序列置为1，否则置为0；最终，每个载体图像得到一个d-1的特征序列表示，即实现特征序列映射过程。
48.步骤4，倒排索引的构建模块进行加速匹配，具体包括：
49.(4.1)将载体图像库中的所有图像按照步骤3中的特征序列的映射算法，得到所有
图像对应的特征序列。
50.(4.2)连接mysql数据库，依据载体图像的存储地址和特征序列，建立一个加速匹配的mysql倒排索引表，以实现快速的特征序列匹配和载体图像读取。
51.步骤5，秘密信息的隐写模块进行秘密信息的隐写，秘密信息的隐写即秘密信息的隐藏，具体包括：
52.(5.1)发送方将正常的秘密信息二值化编码为二值化秘密信息s，并将其分成长度为d-1的秘密信息段；如果s不是d-1的倍数，则在最后一个载体图中加入0，并记录0的个数；
53.(5.2)如步骤4所示，计算图像库中所有图像的特征序列，并建立倒排索引；
54.(5.3)对于切分后的二值化秘密信息段，依次在倒排索引结构中匹配与之对应的载体图像，直至所有二值化秘密信息段都匹配到相应的载体图像，其中，0被填充在秘密信息切分的最后一段，0的数字被最后一个载体图像记录。
55.(5.4)发送方按照顺序将所有匹配的载体图像依次发送给具备同样特征提取网络和特征映射算法的接收方。
56.步骤6，秘密信息的提取模块恢复秘密信息，具体包括：
57.(6.1)接收方按照顺序接受所有含密载体，同步骤3.1，并利用特征提取网络提取所有含密载体的mobilentv2特征f。
58.(6.2)同步骤3.2和3.3，将特征f进行分段，并分别计算特征系数。
59.(6.3)同步骤3.4，计算得到每一个含密载体的特征序列，并重复直至得到所有接收图像的特征序列。
60.(6.4)发送方根据最后一张载体图像记录的0的数量，从最后一段的恢复信息中删除对应的0，得到恢复的二值化秘密信息。
61.(6.5)将所有得到的二值化秘密信息按照顺序进行拼接，并进行二值化解码得到最终的秘密信息，完成秘密信息的提取过程。
62.通过本发明应用在金融领域的信息隐写方法和系统，利用mobilenetv2的特征挖掘能力和模型轻量优势，有效避免了主流cnn特征冗余和参数量巨大等问题，可以有效提升骨干网络特征提取效率；结合danet注意力机制，抽取精细高维语义的cnn特征作为映射基准，可以有效维稳载体特征和秘密信息的关联，提升隐写方案的鲁棒性，该方法的应用能确保传统的通信方式进行信息传输时的安全性，该为进一步在金融领域的实际业务应用提供了坚实的理论保障。